Wykorzystanie sztucznych sieci neuronowych

Łukasz Wordliczek

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-21651-1

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2021

Liczba stron:

253

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Wordliczek, Łukasz. Wykorzystanie sztucznych sieci neuronowych. Red. . : Wydawnictwo Naukowe PWN, 2021, 253 s. ISBN 978-83-01-21651-1

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Wordliczek, Ł.

T1 Wykorzystanie sztucznych sieci neuronowych

PB Wydawnictwo Naukowe PWN

YR 2021

SN 978-83-01-21651-1

Bibliografia BibTex:

@Book{ 241191, author = "Wordliczek, Łukasz", editor = "", title = "Wykorzystanie sztucznych sieci neuronowych", publisher = "Wydawnictwo Naukowe PWN", year = "2021", address = "", isbn = "978-83-01-21651-1" }

Bibliografia endNote:

TY - BOOK

AU - Wordliczek, Łukasz

ED -

TI - Wykorzystanie sztucznych sieci neuronowych

PB - Wydawnictwo Naukowe PWN

CY -

PY - 2021

SN - 978-83-01-21651-1

ER -

Netografia (standard APA):

Wordliczek, Łukasz. Wykorzystanie sztucznych sieci neuronowych [baza danych online] : Wydawnictwo Naukowe PWN, 2021 [dostęp: 19 04 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/wykorzystanie-sztucznych-sieci-neuronowych-lukasz-wordliczek-241191.

nauki polityczne, sztuczna inteligencja, sieci neuronowe, politologia, Big Data, uczenie maszynowe, machine learning, Deep Learning, metody i techniki badawcze, nauki społeczne 2.0

Sztuczne sieci neuronowe są uogólnionym modelem obliczeniowym wzorowanym na zachowaniu komórek nerwowych, a więc czerpią z analogii do budowy mózgu. Ta analogia nie jest jednak celem samym w sobie (poza zupełnie niezależnymi próbami budowy „...

Więcej

ISBN/ISSN:

978-83-01-21651-1

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2021

Liczba stron:

253

XML:ISBN/ISSN:

ONIX MARC21

Wykaz skrótów 10
Uwagi wstępne12
Rozdział 1. Wprowadzenie do tematyki 18
1.1. Zalety sztucznych sieci neuronowych18
1.1.1. Liczba parametrów modelu19
1.1.2. Biologiczne inspiracje21
1.1.3. Elastyczność21
1.1.4. Sieciowa struktura. Stabilność i efektywność analizy dużych zbiorów danych22
1.1.5. Brak konieczności spełnienia warunku liniowości i normalnego rozkładu danych24
1.2. Wady sztucznych sieci neuronowych30
1.2.1. Specjalizacja i hermetyczność wiedzy przedmiotowej. Terminologia30
1.2.2. Wykorzystanie komputerów i oprogramowania32
1.2.3. Efektywność33
1.2.4. Interpretowalność parametrów modelu. Problem „czarnej skrzynki”33
1.2.5. Elastyczność36
1.2.6. Ograniczone zastosowanie37
1.3. Użyteczność sztucznych sieci neuronowych. Definicja39
Rozdział 2. Biologiczne inspiracje 44
2.1. Komputer jako imitacja mózgu52
2.2. Mózg jako inspiracja dla rozwiązań algorytmicznych i układy hybrydowe. Sztuczna inteligencja59
Rozdział 3. Rozwój sztucznych sieci neuronowych (rys historyczny). Stan badań 68
Rozdział 4. Architektury (topologie) sztucznych sieci neuronowych 80
4.1. Problem liczby elementów sieci: warstwy i neurony81
4.2. Problem sposobu połączeń elementów sieci88
4.2.2. Sieci rekurencyjne90
4.2.3. Sieci LSTM91
4.2.4. Sieci splotowe92
4.2.5. Sieci samoorganizujące się93
4.2.6. Sieci komórkowe94
Rozdział 5. Działanie sztucznej sieci neuronowej. Uczenie maszynowe (machine learning)96
5.1. Model McCullocha-Pittsa100
5.2. Uczenie z nauczycielem (uczenie nadzorowane). Metoda wstecznej propagacji błędów102
5.3. Uczenie bez nauczyciela (uczenie nienadzorowane)105
5.4. Uczenie ze wzmocnieniem (reinforced learning)107
5.5. Uczenie maszynowe (machine learning)108
5.6. Ocena jakości modelu115
Rozdział 6. „Dane, wszędzie dane”. Big data 120
6.1. Definicja big data121
6.2. Big data jako wyzwanie dla nauk społecznych126
6.2.1. Wyzwanie 1: logika procesu badawczego, przyczynowość a korelacja128
6.2.2. Wyzwanie 2: metodologia133
6.2.3. Nauki społeczne 2.0?137
6.3. Rodzaje i źródła danych. Open data141
6.4. Big data a etyka. Problem gromadzenia, przechowywania i wykorzystania danych152
Rozdział 7. Przykłady zastosowań politologicznych 170
7.1. Problemy predykcyjne172
7.2. Problemy klasyfikacyjne180
7.2.1. Badanie konfliktów zbrojnych181
7.2.2. Inne zagadnienia klasyfikacyjne192
Zakończenie198
Bibliografia210
Indeks osobowy244

opokłosiuwieloletnichdoświadczeńzwiązanychzestosowaniemsiecineuronowych

jakoprzykładowegosposobuanalizydanychuzyskanychzmateriałuempirycznego.

Jesttotechnikabadawcza,którapojawiłasięnahoryzoncienaukiwlatachIIwojny

światowej,leczszczególniedynamicznierozwijasięodokoło20-30lat,stającsię

obecniejednymzciekawszychwyzwańmetodologicznychwramachwieludyscyplin

naukowych.

101010Liczbaparametrówmodelu

Przeglądzaletmodelisztucznychsiecineuronowychrozpocznijmyodcechystosun-

kowomałoimponującej,czywręczkontrowersyjnej,gdyżmogącejwyglądaćraczej

jakwadaniżzaleta.OtóżSSNcharakteryzująsięzazwyczajznacznąliczbąparame-

trów3.Jesttopotencjalnieniekorzystnasytuacja,gdyżwiększaliczbaparametrów

stawiawiększewymaganiaanalitycznezarównowzakresieobliczeń,jakiinterpre-

tacjiwyników.Takjestjednaktylkowtradycyjnychmetodachbadawczych,jaknp.

regresjiliniowej,gdzieliczbaparametrów,wzrastającwsposóbwykładniczy,istotnie

utrudniaanalizę.Tymczasemwwypadkusiecinawetzeznacznąliczbąparametrów

(porównywalną,czywręczprzewyższającąliczbęprzypadków)wciążjestmożliwe

efektywnemodelowanietakiegoukładu-azatemmamydoczynieniazprzezwycię-

żeniemjednegozograniczeńklasycznejanalizydanych(np.właśniewspomniana

regresjaliniowa),gdziecodozasadyzakładasię,żeliczbaobserwacjipowinna

odpowiednioprzewyższaćliczbęestymowanychparametrów4.

3Wartowtymmiejscuodnieśćsiędopewnejzawiłościsemantycznej.Otóżwielokrotnie,opisującsieci

neuronowe,będziemysięposługiwaćpojęciemnparametr”

.Wścisłymrozumieniumodelparametrycznycha-

rakteryzujesiękoniecznościąznajomościrozkładu(identyfikacjistruktury)analizowanejzmiennej,samo

ustaleniewartościparametrówzaśokreślasięestymacjąparametrówopisującychrozkładtejżezmiennej.

Zkoleiogólnierzeczujmując,modelparametrycznyzakładastałąliczbęparametrów-toznaczynieprzyras-

tającąwrazzewzrostemdanychi/lubstrukturysamegomodelu.

4J.Żurada,M.Barski,W.Jędruch,Sztucznesiecineuronowe.Podstawyteoriiizastosowania,Wydawnic-

twoNaukowePWN,Warszawa1996,s.289;P.A.Schrodt,SevenDeadlySinsofContemporaryQuantitative

PoliticalAnalysis,nJournalofPeaceResearch”2014,t.51,nr2,s.295;S.Hegelich,DecisionTreesandRandom

Forests:MachineLearningTechniquestoClassifyRareEvents,nEuropeanPolicyAnalysis”2016,t.2,nr1,s.100,

117.Por

.L.Zeng,PredictionandClassificationwithNeuralNetworkModels,nSociologicalMethods&Research”

1999,t.27,nr4,s.511;S.deMarchi,Ch.Gelpi,J.D.Grynaviski,UntanglingNeuralNets,nAmericanPolitical

ScienceReview”2004,t.98,nr2,s.371-378.Jakwiadomo,procesestymacjiklasycznychmodeliliniowych

posiadawieleistotnychograniczeń.Jednymznichjestkoniecznośćpozbawieniadanychautokorelacjiwcelu

dokonaniaoszacowaniajakościmodeluprzyużyciufunkcjigęstościprawdopodobieństwa;za:S.Hegelich,

Deeplearningandpunctuatedequilibriumtheory,nCognitiveSystemsResearch”2017,nr45,s.67.Oogranicze-

niachmodeliregresjiliniowejimożliwościachichprzezwyciężeniazob.takżewM.Hindman,BuildingBetter

Models:Prediction,Replication,andMachineLearningintheSocialSciences,nTheANNALSoftheAmerican

AcademyofPoliticalandSocialScience”2015,t.659,nr1,s.48-62.

Rozdział1Wprowadzeniedotematyki

Brak wyników

Wykorzystanie sztucznych sieci neuronowych

Treść książki

Znajdź bibliotekę blisko siebie, i uzyskaj dostęp do ebooka w systemie IBUK Libra